Análisis y anotación de una secuencia mediante las

herramientas y bases de datos de UCSC Genome Bioinformatics

& “Galaxy”

Master de Genética y Evolución 2011/2012

Analisis de Secuencias

Michael Hackenberg (mlhack@gmail.com)

http://bioinfo2.ugr.es/secuencias/

Temario de las 3 sesiones

1) Análisis de una secuencia mediante anotación

• Bases de datos: UCSC (interfaz table browser) y Ensembl (interfaz BioMart)

• Galaxy: herramientas para obtener, manipular y almacenar datos

2) Estructura y contenido del genoma

• Isocoras, correlaciones de largo alcance del contenido en G+C

• Elementos funcionales: genes, TFBs, enhancer, islas CpG, RNA no codificante

• DNA repetido: Retro-transposones, transposones de DNA, LTR, DNA satélite

3) Epigenómica

• Metilación de DNA: contextos de metilación – CpG y CWG, islas CpG

• Metilación del promotor frente a metilación en el “cuerpo génico” (gene body)

• Metilación en el desarrollo y metilación diferencial

• Bases de datos: NGSmethDB

Objetivo del análisis de secuencias Caracterizar la secuencia en cuando al:

• contenido de elementos genómicos (genes, TFBS, enhancer, islas CpG, DNA

repetido, etc),

• composición (G+C, frecuencias de k-meros), estructura (isocoras,

superestructuras, correlaciones de largo alcance)

• Sitios de restricción

• Sitios (origen) de replicación, tasas de recombinación

• Información epigenética como metilación de DNA y histonas, impronta

génica

• Variación genética: SNPs, CNVs, duplicaciones segmentales

• Detección de biomarcadores

• Etc, etc

Existen dos maneras diferentes 1. Predicción sobre una secuencia de DNA mediante métodos computacionales

2. Anotación mediante bases de datos siendo la secuencia representada por sus

coordenadas

Punto de partida: la secuencia

GATTGGGGTTTTCCCCTCCCATGTGCTCAAGACTGGCGCTAAAAGTTTTGAGCTTCTCAAAAGTCTAGAGCCACCGTCCAGGGAGCAGGTAG

CTGCTGGGCTCCGGGGACACTTTGCGTTCGGGCTGGGAGCGTGCTTTCCACGACGGTGACACGCTTCCCTGGATTGGGTAAGCTCCTGACTG

AACTTGATGAGTCCTCTCTGAGTCACGGGCTCTCGGCTCCGTGTATTTTCAGCTCGGGAAAATCGCTGGGGCTGGGGGTGGGGCAGTGGGGA

CTTAGCGAGTTTGGGGGTGAGTGGGATGGAAGCTTGGCTAGAGGGATCATCATAGGAGTTGCATTGTTGGGAGACCTGGGTGTAGATGATGG

GGATGTTAGGACCATCCGAACTCAAAGTTGAACGCCTAGGCAGAGGAGTGGAGCTTTGGGGAACCTTGAGCCGGCCTAAAGCGTACTTCTTT

GCACATCCACCCGGTGCTGGGCGTAGGGAATCCCTGAAATAAAAGATGCACAAAGCATTGAGGTCTGAGACTTTTGGATCTCGAAACATTGA

GAACTCATAGCTGTATATTTTAGAGCCCATGGCATCCTAGTGAAAACTGGGGCTCCATTCCGAAATGATCATTTGGGGGTGATCCGGGGAGC

CCAAGCTGCTAAGGTCCCACAACTTCCGGACCTTTGTCCTTCCTGGAGCGATCTTTCCAGGCAGCCCCCGGCTCCGCTAGATGGAGAAAATC

CAATTGAAGGCTGTCAGTCGTGGAAGTGAGAAGTGCTAAACCAGGGGTTTGCCCGCCAGGCCGAGGAGGACCGTCGCAATCTGAGAGGCCCG

GCAGCCCTGTTATTGTTTGGCTCCACATTTACATTTCTGCCTCTTGCAGCAGCATTTCCGGTTTCTTTTTGCCGGAGCAGCTCACTATTCAC

GATTGGGGTTTTCCCCTCCCATGTGCTCAAGACTGGCGCTAAAAGTTTTGAGCTTCTCAAAAGTCTAGAGCCACCGTCCAGGGAGCAGGTAG

CTGCTGGGCTCCGGGGACACTTTGCGTTCGGGCTGGGAGCGTGCTTTCCACGACGGTGACACGCTTCCCTGGATTGGGTAAGCTCCTGACTG

AACTTGATGAGTCCTCTCTGAGTCACGGGCTCTCGGCTCCGTGTATTTTCAGCTCGGGAAAATCGCTGGGGCTGGGGGTGGGGCAGTGGGGA

CTTAGCGAGTTTGGGGGTGAGTGGGATGGAAGCTTGGCTAGAGGGATCATCATAGGAGTTGCATTGTTGGGAGACCTGGGTGTAGATGATGG

GGATGTTAGGACCATCCGAACTCAAAGTTGAACGCCTAGGCAGAGGAGTGGAGCTTTGGGGAACCTTGAGCCGGCCTAAAGCGTACTTCTTT

GCACATCCACCCGGTGCTGGGCGTAGGGAATCCCTGAAATAAAAGATGCACAAAGCATTGAGGTCTGAGACTTTTGGATCTCGAAACATTGA

GAACTCATAGCTGTATATTTTAGAGCCCATGGCATCCTAGTGAAAACTGGGGCTCCATTCCGAAATGATCATTTGGGGGTGATCCGGGGAGC

CCAAGCTGCTAAGGTCCCACAACTTCCGGACCTTTGTCCTTCCTGGAGCGATCTTTCCAGGCAGCCCCCGGCTCCGCTAGATGGAGAAAATC

CAATTGAAGGCTGTCAGTCGTGGAAGTGAGAAGTGCTAAACCAGGGGTTTGCCCGCCAGGCCGAGGAGGACCGTCGCAATCTGAGAGGCCCG

GCAGCCCTGTTATTGTTTGGCTCCACATTTACATTTCTGCCTCTTGCAGCAGCATTTCCGGTTTCTTTTTGCCGGAGCAGCTCACTATTCAC

Predicción

TFBS

exon TSS

CpG unmeth

Punto de partida: coordenadas de una región:

Ensamblado/especie: hg18, mm8, rn4, hg19, mm9 etc

Cromosoma/contig/scaffold: chr1, chr3L, etc

chromStart (primera base de la region): 129489 nt

chromEnd (ultima base de la región): 233759 nt (mas grande que chromStart!)

¡Las coordenadas se dan en la hebra „+‟ (Watson)!

Ejemplo: región dada por hg18 (genóma humano)

chr1:201856-498076

Anotación de los genes RefSeq

3 transcritos: NM_001005277,..

Ventajas

Predicción: • No hace falta anotación (ab initio

algunos)

• Aplicable en un principio a cualquier

especie se usa en especies con pocas

anotaciones

Anotación: • Permite usar datos experimentales

• Datos suelen tener mayor calidad que

aquellos obtenidos mediante predicción

• Suele ser mas rápido que la predicción

• Hay datos que son impredecibles como

la variación se secuencia

Desventajas

Predicción • Generalmente existe un alto número de

predicciones erróneas

• Los algoritmos suelen necesitar

“entrenamiento”

• Frecuentemente, se usa la conservación

evolutivo como filtro para mejorar las

predicciones funciones especificas de la

especie no pueden ser detectados

Anotación • El grado de conocimiento que se puede obtener

sobre una región/secuencia depende de lo que

hay en la base de datos

• Muchas especies cuentan con pocas

anotaciones experimentales

(especies/organismos no modelo) Observación: Frecuentemente, los dos conceptos no se dejan separar tan nítidamente: 1) las

bases de datos contienen anotaciones obtenidas mediante predicción y 2) muchos

métodos de predicción han sido entrenados usando anotaciones (datos

experimentales)

La pagina de la UCSC Genome Bionformatics (University of California Santa

Cruz) en la Universidad de California de Santa Cruz (http://genome.ucsc.edu/)

abarca una serie de base de datos y herramientas muy importantes:

• Genome Browser: Visualizar cientos de elementos y propiedades en un contexto

genomico

• Blat: Alinear una secuencia con un genoma completo (http://genome.ucsc.edu/cgi-

bin/hgBlat)

• Table browser: Interfaz a la base de datos que permite filtrar y descargar los contenidos

Galaxy es una web workbench que permite al usuario de llevar a cabo un gran

número de análisis y experimentos in silico

• Obtener datos de un gran número de bases de datos o ficheros locales y almacenarlos

en el servidor

• Manipular los datos (cambiar formato, añadir, unir o quitar columnas, cálculos en una

columna, filtrar y ordenar, comparar y agrupar columnas)

• Encontrar solapamiento entre dos listas de elementos genómicos (¿cuales de los SNPs

detectados se localizan en exones?, ¿Qué promotores solapan con islas CpG?, etc…)

o El BLAT de ADN está diseñado para encontrar de forma rápida una secuencia en un genoma dado

o Optimizado para las secuencias con mayor similitud de 95% y mayor longitud que 25 bp probablemente falla detectar alineamientos mas divergentes o cortos

Kent WJ.

BLAT--the BLAST-like alignment

tool.

Genome Res. 2002

o Ordenado por score (longitud de alineamiento ponderado con la similitud de secuencia)

o Qsize=longitud de la secuencia de entrada o SPAN=longitud del alineamiento en el genoma (¡no es el número de bases alineados!)

El formato bed es el formato por defecto que usa UCSC

y Galaxy http://genome.ucsc.edu/FAQ/FAQformat.html#format1

Otro formato frecuentemente empleado es GFF (General Feature Format) http://genome.ucsc.edu/FAQ/FAQformat.html#format3

Requiere 9 columnas separado por tabulador

http://main.g2.bx.psu.edu/ Blankenberg D. et al.

Galaxy: a web-based genome analysis tool for experimentalists.

Curr Protoc Mol Biol. 2010